[发明专利]一种基于PID调节的BP神经网络算法

说明书

本发明公开了一种基于PID调节的BP神经网络算法，它通过增量式神经网络PID控制器不断调整比例（P）、积分（I）和微分（D）三个参数来得到参数自适应的效果，经过Momentum梯度更新算法，使得本发明在温度控制数据收敛，不会出现发散现象，使之更加快速、稳定。

技术领域

本发明具体涉及一种基于PID调节的BP神经网络算法。

背景技术

PID控制是一种被广泛应用在生产过程中控制方法，通过偏差的比例(P)、积分(I)、微分(D)三个参数进行过程控制，PID三个参数设置对系统有很深的影响，这需要经验丰富的专业人员不断的调节系统尽可能找到使得系统接近最优工作状态的三个参数；由此产生了一种最优控制自适应PID控制系统的方法；在这种控制中要求系统能够根据被测参数，环境及原材料的成本的变化而自动调节系统，使其随时处于最佳状态。

常见的最小方差自适应PID控制、极点配置自适应PID控制和零极点对消的自适应PID控制。神经网络PID自适应算法是结合神经网络算法的自适应PID控制方法。

基于BP神经网络的PID自适应算法能够在线学习，在程序运行过程中不断优化PID三个参数，根据外界变化实时调整的神经网络控制算法，是PID控制的前沿研究方向。但是现有的神经网络算法PID自整定收敛偶然，随机收敛，收敛非常依赖初始化，需要特定的参数进行初始化。

发明内容

为解决上述问题，本发明具体涉及基于PID调节的BP神经网络算法，包括以下步骤：

步骤一、初始化BP神经网络：设定BP神经网络输入层点数X和隐藏层点数H，并给出隐藏层的初始权值W_HI和输出层初始权值W_HO；

步骤二、采样得到实际温度值y(k)和设定输出rin(k)，计算误差e(k)= rin(k)- y(k)；

步骤三、计算BP神经网路各层神经元的输入值和输出值，1/(1+e-x)激活函数原始输出值范围为（0，1），乘以确定系数使其范围扩增，，根据增量式PID，得到△U(K) =K_P[e(k)-e(k-1)]+K_Ie(k)+K_D[e(k)-2e(k-1)+e(k-2)]；

步骤四、更新全局最优值：选取误差函数E(k)=(rin(k)-y(k))²，，根据Momentum梯度更新算法修正BP神经网络的加权系数，更新学习率、指数加权平均数，进而计算温度的最佳适应值，其中Momentum梯度更新算法更新权值，W_HO，W_IH的公式如下：

误差函数E(k)对输出层参数W_HO的导数dW_HO：

dW_HO=dE(k)/dW_HO=(dE(k)/dy(k))*(dy(k)/dU(k))*(dU(k)/d OUT_O)*( d OUT_O/dW_HO)；神经网络PID控制器输出的功率为U(k)=U(k-1)+ △U(K), U(k)控制加热腔升温还是降温

误差函数E(k)对隐藏层W_IH导数dW_IH：

dW_IH=dE(k)/ dW_IH=(dE(k)/dy(k))*(dy(k)/dU(k))*(dU(k)/d OUT_O)*（d OUT_O/ dOUT_H）*( d OUT_H/dW_IH) ；

隐藏层梯度W_HI：

dV_H(k)=βdV_H(k)+(1-β)dW_IH W_IH=W_IH-αdV_H(k) ；